Natural Language Interaction with a Household Electricity Knowledge-based Digital Twin

要約

スマート グリッドのさまざまなセグメントのデジタル レプリカを表すドメイン固有のデジタル ツインは、それぞれのセグメントをモデル化し、シミュレートし、制御できると見込まれています。
同時に、AI と組み合わせた知識ベースのデジタル ツインにより、人間は計画や政策立案の観点から自然言語対話を通じてシステムの側面を理解できるようになります。
この論文は、知識ベースのエネルギーデジタルツインを活用した家庭用電力エネルギー測定の側面に関連する検索拡張生成 (RAG) の質問回答の可能性を評価し、報告した最初の論文です。
実際に知識ベースのデジタル ツインを表す、最近公開された電力消費ナレッジ グラフに基づいて、電力関連の質問に答える際の ChatGPT、Gemini、および Llama の機能を研究します。
さらに、その回答を、既存の電気知識ベースのデジタル ツインを活用する RAG 技術によって生成された回答と比較します。
私たちの調査結果は、RAG アプローチが、通常 LLM によって生成される誤った情報の発生率を減らすだけでなく、検証可能なデータに応答を根付かせることで出力の品質を大幅に向上させることを示しています。
このホワイトペーパーでは、私たちの方法論を詳しく説明し、RAG を使用した場合と使用しない場合の応答の比較分析を示し、エネルギー データ分析などの専門分野における AI の将来の応用に対する私たちの調査結果の意味について説明します。

要約(オリジナル)

Domain specific digital twins, representing a digital replica of various segments of the smart grid, are foreseen as able to model, simulate, and control the respective segments. At the same time, knowledge-based digital twins, coupled with AI, may also empower humans to understand aspects of the system through natural language interaction in view of planning and policy making. This paper is the first to assess and report on the potential of Retrieval Augmented Generation (RAG) question answers related to household electrical energy measurement aspects leveraging a knowledge-based energy digital twin. Relying on the recently published electricity consumption knowledge graph that actually represents a knowledge-based digital twin, we study the capabilities of ChatGPT, Gemini and Llama in answering electricity related questions. Furthermore, we compare the answers with the ones generated through a RAG techniques that leverages an existing electricity knowledge-based digital twin. Our findings illustrate that the RAG approach not only reduces the incidence of incorrect information typically generated by LLMs but also significantly improves the quality of the output by grounding responses in verifiable data. This paper details our methodology, presents a comparative analysis of responses with and without RAG, and discusses the implications of our findings for future applications of AI in specialized sectors like energy data analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google